To see the other types of publications on this topic, follow the link: Di-cluster.
Journal articles on the topic 'Di-cluster'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Di-cluster.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Horiuchi, Hisashi. "Di-neutron Cluster and Its Condensation." Modern Physics Letters A 21, no. 31n33 (2006): 2455–59. http://dx.doi.org/10.1142/s0217732306022109.
Full textAbstract:
Di-neutron cluster structure of 11 Li which is suggested strongly by recent experiments is discussed. Recent HFB calculations which show clear di-neutron correlation in surface region of neutron-rich nuclei are also discussed. An approach to di-neutron problem by the use of a hybrid wave function of AMD and di-neutron condensed wave function is proposed.
2
Stepanus Ginting, Roni, Hamdani Hamdani, Anindita Septiariani, and Faza Alameka. "The Clustering Tindak Kekerasan Dalam Rumah Tangga Di Kota Samarinda Menggunakan Algoritma K-Means." METIK JURNAL 6, no. 2 (2022): 172–77. http://dx.doi.org/10.47002/metik.v6i2.378.
Full textAbstract:
Peran Kepolisian Resort Samarinda dalam membantu keamanan dan penegakan hukum sesuai dengan Pasal 5 Undang-Undang No. 23 Tahun 2004 dapat menggunakan data kdrt untuk clustering tingkat kdrt berdasarkan tinggi, sedang dan rendah. Clustering atau mengelompokkan data dapat dilakukan dengan menerapkan algoritma K-Means. Penerapan algoritma ini menggunakan 3 metode perhitungan jarak yaitu, Euclidean Distance, Minkowski Distance dan Manhattan Distance Dan hasil perhitungan algoritma kmeans dengan menggunakan Euclidean Distance Mendapatkan 2 Cluster di C1,9 cluster di C2 dan 1 cluster di C3,Selanjutnya menggunakan Manhattan Distance Dan hasil yang di dapat yaitu 3 Cluster di C1, 8 cluster di C2 dan 1 cluster di C3 dan yang terakhir Menggunakan , Minkowski Distance Distance Mendapatkan 2 Cluster di C1,9 cluster di C2 dan 1 cluster di C3. Penggunaan 3 metode ini dimaksudkan untuk mengetahui perhitungan jarak yang lebih ideal untuk digunakan. Selain menggunakan metode perhitungan jarak, digunakan juga metode pengukuran jarak yaitu SSE (Sum of Squared Errors) dan ketiga metode perhitungan tersebut mendapatkan hasil SSE (Sum of Squared Errors) nya sebagai berikut.Euclidean Distance=1,2535, Minkowski Distance=1,2418 dan Manhattan Distance=5,7154.
3
Afrimayani, Afrimayani, Hazmira Yozza, and Dodi Devianto. "PENGELOMPOKAN NEGARA DI DUNIA BERDASARKAN DATA RUNTUN WAKTU REALISASI PENANAMAN MODAL ASING DI INDONESIA MENGGUNAKAN ANALISIS CLUSTER." Jurnal Matematika UNAND 8, no. 2 (2019): 157. http://dx.doi.org/10.25077/jmu.8.2.157-164.2019.
Full textAbstract:
Investasi sangat dibutuhkan di Indonesia. Perekonomian di Indonesia masih tertinggal dari negara-negara yang lain. Oleh karena itu, pemerintah perlu mencari sumber pembiayaan pembangunan ekonomi untuk mendorong pertumbuhan investasi, bukan hanya investasi dari dalam negeri namun juga investasi asing. Untuk melihat pola besarnya investasi asing di Indonesia, perlu dilakukan pengelompokan negara-negara. Pengelompokan tersebut diharapkan bisa membantu pemerintah dalam pengambilan kebijakan terkait investasi asing sesuai dengan negaranya. Analisis cluster merupakan suatu teknik analisis statistik dengan tujuan untuk memilah objek ke dalam beberapa cluster berdasarkan kesamaan-kesamaan objek atas dasar berbagai karakteristik. Penelitian ini bertujuan untuk membentuk cluster negara-negara di dunia berdasarkan data runtun waktu realisasi investasinya di Indonesia tahun 2000-2017. Teknik pengelompokan yang digunakan adalah analisis berhierarki dengan jarak euclidean. Hasil penelitian ini diperoleh sebanyak 2 cluster sebagai cluster optimum. Pada cluster 1 besarnya realisasi penanaman modal asing sepanjang tahun 2000-2017 cenderung hampir sama besar. Pada cluster 2 besarnya realisasi penanaman modal asing sepanjang tahun 2000-2017 lebih besar dibandingkan dengan cluster 1 dan mengalami perubahan yang signifikan.Kata Kunci: Investasi Asing, Analisis Cluster Runtun Waktu, Jarak Euclidean
4
Cinquatti, Roberta, Gabriela Acucella, Uta Emmig, et al. "Cluster familiare di infezione da Listeria monocytogenes." Medico e Bambino Pagine elettroniche 25, no. 5 (2022): 102–5. http://dx.doi.org/10.53126/mebxxvmg102.
Full textAbstract:
Listeria monocytogenes is a Gram-positive facultative intracellular bacterium; it is transmitted to humans through the ingestion of contaminated food. Patients are typically immunosuppressed individuals, pregnant women, newborns and elderly people. In the rare cases of sepsis and meningitis caused by Listeria in immunocompetent paediatric patients, the infection can cause serious complications. Listeria does not respond to first-line empirical treatment with cephalosporins; it is therefore necessary to identify the pathogen to allow a target treatment and to have a favourable prognosis. The paper presents a case of L. monocytogenes sepsis and convulsions in an immunocompetent 16-month-old child, whose source of infection was a fresh goat cheese that infected other members of her family. Given the increase in the consumption of ready-to-eat foods stored in the refrigerator in industrialized countries, it is important to keep in mind the presence of L. monocytogenes as a possible cause of sepsis and meningitis also in immunocompetent individuals.
5
Pandi Zulfikar, Aden Aden, and Andi Nur Rahman. "Penerapan Data Mining untuk Clustering dengan Metode K-means dalam Menentukan Stok Barang di Era Covid 19." MathVision : Jurnal Matematika 4, no. 2 (2022): 93–99. http://dx.doi.org/10.55719/mv.v4i2.374.
Full textAbstract:

 
 Penelitian ini bertujuan untuk mengetahui pengelompokan produk paling, sedang, sedikit peminatnya untuk menentukan jumlah stok barang. Selain itu tujuan berikutnya adalah mengetahui karakteristik setiap cluster dan mengetahui variabel apamempengaruhi terbentuknya cluster. Sedangkan untuk metode penelitia yang digunakan adalah k-means cluster. Setelah penelitian di lakukan terbentuklah cluster pada penelitian ini, dengan uraian cluster 1 yang paling diminati dengan jumlah produk hanya 1 yang menandakan stok barang pada cluster ini harus lebih banyak dari cluster laiinya, cluster 2 yang sedang peminatnya dengan jumlah produk 6 yang menandakan bahwa stok barang pada cluster ini sedang, cluster 3 kurang diminati degan jumlah produk 119 yang menandakan bahwa stok barang pada cluster ini lebih sedikit dari cluster lainnya. Karakteristik setiap cluster setelah dilakukan penelitian ini, karakteristik yang terdapat dalam cluster 1 berisi variabel jumlah barang masuk di bawah rata-rata, jumlah barang yang keluar di bawah rata-rata, dan jumlah sisa stok barang di atas rata-rata, karakteristik yang terdapat pada cluster 2 berisi variabel jumlah stok barang yang masuk, barang yang keluar dan sisa barang berada di atas rata-rata, karakteristik yang terdapat pada cluster 3 berisi variabel jumlah stok barang yang masuk, barang yang keluar dan sisa barang berada di bawah rata-rata. Sedangkan variabel yang memberikan pengaruh besar dalam terbentuknya cluster adalah variabel barang masuk(X1) dengan nilai F sebesar 143,323 dan nilai signifikan 0,000.
6
Sunarto, Sunarto, and Zulfikar Zulfikar. "Pelaksanaan Cluster Learning System di Masa Pandemi Covid-19 di Sekolah 3T." Pedagogi: Jurnal Ilmu Pendidikan 21, no. 1 (2021): 36–44. http://dx.doi.org/10.24036/pedagogi.v21i1.1028.
Full textAbstract:
This study aims to determine the implementation of the Cluster Learning System during the Covid-19 pandemic in 3T schools. This research was conducted at SMP Negeri 7 Budong-budong, geographically this school is located in Mamuju Tengah District, West Sulawesi Province. Central Mamuju Regency is one of the underdeveloped districts in Indonesia. This study used a qualitative approach to describe the implementation of the Cluster Learning System during the Covid-19 pandemic in 3T schools. Data obtained through observation, interview, and documentation study techniques. Meanwhile, the data analysis process used data analysis techniques proposed by Miles and Hubermen which consisted of three activity lines, namely data reduction, data presentation, and conclusion drawing. From the research results, it was found that in implementing the Cluster Learning System there were 3 stages carried out by the SMP Negeri 7 Budong-budong, namely the planning, implementation, and evaluation stages. In addition, in the application of the Cluster Learning System at SMP Negeri 7 Budong, there are several advantages and disadvantages.
7
Puntoriza, Puntoriza, and Charitas Fibriani. "Analisis Persebaran UMKM Kota Malang Menggunakan Cluster K-means." JOINS (Journal of Information System) 5, no. 1 (2020): 86–94. http://dx.doi.org/10.33633/joins.v5i1.3469.
Full textAbstract:
UMKM (Usaha Mikro Kecil dan Menengah) merupakan usaha produktif yang telah terbukti memberikan lapangan kerja dan menjadi penggerak roda perekonomian di Indonesia. Kota Malang dianggap memiliki potensi besar di sektor UMKM. Di sisi lain, UMKM juga menghadapi berbagai masalah, seperti keterbatasan modal kerja, kurangnya pembinaan terhadap sumber daya manusia, dan lain sebagainya. Pengelompokan UMKM di Kota Malang dapat memudahkan pemerintah terkait dalam hal memilih peminjaman modal, menentukan potensi usaha dan menetapkan strategi pemasaran. Pada penelitian ini, pengelompokan UMKM di Kota Malang dilakukan dengan algoritma K-means cluster analysis. Hasil yang diperoleh adalah terbentuk 3 cluster, di mana algoritma K-means mengelompokkan kecamatan Blimbing ke cluster 1, kecamatan Klojen ke cluster 2, kecamatan Sukun ke cluster 3, Kecamatan Kedung Kandang ke cluster 3, dan Kecamatan Lowokwaru ke cluster 3.
8
Norbert, Jausovec, and Jausovec Ksenija. "A typology of human neuro-electric brain activity and its relation to personality and ability." RICERCHE DI PSICOLOGIA, no. 2 (January 2012): 291–306. http://dx.doi.org/10.3280/rip2010-002007.
Full textAbstract:
La ricerca ha indagato la possibilitŕ di definire una tipologia di attivitŕ elettrica cerebrale, che potesse spiegare differenze di personalitŕ e abilitŕ. Misure di potenza e coerenza di 331 partecipanti, divise in 7 bande di frequenza determinate individualmente, sono state sottoposte ad analisi fattoriali, che hanno prodotto una soluzione ad 8 fattori. I coefficienti fattoriali Bartlett cosě ottenuti sono stati utilizzati come variabili di input per un'analisi "cluster". Questa analisi ha rivelato come ottimale una soluzione a 3 cluster. I 2 cluster piů numerosi (C1 e C2) differivano rispetto ai valori di potenza; il pattern di potenza e coerenza del cluster C3 era piů complesso. I 3 cluster ottenuti differivano anche rispetto alla variabili di abilitŕ e personalitŕ. Sono state osservate differenze nei pattern dei fattori di personalitŕ e abilitŕ, e in misura minore in un singolo fattore. Questi pattern erano piů omogenei per i fattori di personalitŕ e piů eterogenei per le abilita generali e per i fattori di intelligenza emozionale.
9
Irma Sumiati, Abdul Rasyid Faiq Adinata, Muhammad Harun Al- Musa, Ruli Herdiana, and Cep Lukman Rohmat. "Penerapan Metode Two-Step Cluster Untuk Pengelompokan Desa Berdasarkan Kepadatan Penduduk." KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer 5, no. 2 (2021): 36–41. http://dx.doi.org/10.32485/kopertip.v5i2.154.
Full textAbstract:
Kepadatan penduduk memiliki dampak yang signifikan terhadap kualitas hidup kota. Karena kepadatan penduduk yang tinggi banyak masalah yang muncul. Penduduk terus menerus dipengaruhi oleh jumlah bayi yang lahir (pertumbuhan penduduk), tetapi pada saat yang sama dikurangi dengan jumlah kematian yang terjadi pada semua kelompok umur. Pertumbuhan penduduk disebabkan oleh empat faktor yaitu kelahiran, kematian, imigrasi masuk, dan migrasi keluar. Ketika imigran masuk berjumlah banyak maka jumlah penduduk di suatu wilayah atau kota akan bertambah dan ketika imigran keluar bertambah maka sebaliknya yaitu jumlah penduduk pada suatu wilayah atau kota akan berkurang. Penelitian ini bertujuan untuk menganalisis tingkat kepadatan penduduk pada desa di Kabupaten Majalengka. Kabupaten Majalengka merupakan salah satu kabupaten yang ada di Jawa Barat. Seiring bertambahnya jumlah penduduk Majalengka setiap tahunnya, kepadatan penduduk di Kabupaten Majalengka cukup padat. Dalam penelitian ini, desa-desa di Kabupaten Majalengka di cluster menggunakan metode Two-Step Cluster. Two-Step Cluster adalah cara untuk menangani variabel kontinu dan kategorik dengan menggunakan indikator Bayesian Information Criterion (BIC), hasil dari jumlah cluster optimal diperoleh 4 cluster. Pada cluster tersebut terdapat cluster yang merupakan cluster terbaik yaitu terdapat pada cluster 3 dengan jumlah desa yaitu 15 desa dengan jumlah penduduk 6.862 Jiwa. Pengujian clustering dilakukan dengan metode silhoutte dan menunjukkan bahwa cluster yang dihasilkan memiliki nilai silhoutte yang mendapatkan nilai cukup yaitu 0,4. Hal ini menunjukkan bahwa cluster yang terbentuk telah ter-cluster dengan baik.
10
Setiawan, Aep, and Wini Muthia Kansha. "PEMBUATAN SISTEM DATABASE CLUSTER MENGGUNAKAN APLIKASI GALERA CLUSTER DI SEKOLAH VOKASI IPB UNIVERSITY." Jurnal Sains Terapan 11, no. 2 (2021): 49–59. http://dx.doi.org/10.29244/jstsv.11.2.49-59.
Full textAbstract:
ABSTRAKServer yang terdapat di Sekolah Vokasi Institut Pertanian Bogor (SV-IPB) diinstal Modular Object-Oriented Dynamic Learning Environment (MOODLE) yang merupakan aplikasi e-learning berbasis web. MOODLE membutuhkan database yang berfungsi sebagai sebuah sistem penyimpanan data dari berbagai aktivitas yang dilakukan. Database server yang tersedia di SV-IPB berupa single database server. SV-IPB memiliki 17 program studi, jumlah mahasiswa Sekolah Vokasi untuk tiga angkatan sekitar 6 300 mahasiswa, hal tersebut bisa menyebabkan pengaksesan layanan MOODLE dan beban yang ditanggung server menjadi tinggi. Mengatasi masalah tersebut salah satu solusinya diimplementasikan teknologi database cluster pada server SV-IPB serta membuat sebuah server load balancing. Pembuatan database cluster menggunakan aplikasi Galera Cluster, serta digunakan HAProxy sebagai load balancer yang berperan sebagai pembagi beban antar database server dalam database cluster. Ketika database server down maka ada database server lain yang dapat menggantikan tugas dari database server yang down tersebut.Kata Kunci : Database Cluster, Galera Cluster, HAProxy, Multi-master, MySQL
 ABSTRACTThe server in the Vocational School, Bogor Agricultural University (SV-IPB) is installed with Modular Object-Oriented Dynamic Learning Environment (MOODLE) which is a web-based e-learning application. MOODLE requires a database that functions as a data storage system for various activities carried out. The database server available at SV-IPB is a single database server. SV-IPB has 17 study programs, the number of Vocational School students for three batches is around 6 300 students, this can cause access to MOODLE services and the burden on the server to be high. One of the solutions to overcome this problem is to implement database cluster technology on the SV-IPB server and create a load balancing server. Creating a cluster database using the Galera Cluster application, and using HAProxy as a load balancer that acts as a load divider between database servers in the database cluster. When the database server is down, there is another database server that can replace the task of the down database server.Keyword: Database Cluster, Galera Cluster, HAProxy, Multi-master, MySQL
11
Ridwan, Raden, Elizabet Sri Rezeki, and Olvin Prasetia. "PENGELOMPOKKAN KABUPATEN/KOTA DI PROVINSI JAMBI BERDASARKAN KOMPONEN SEKTOR PENDIDIKAN." Jurnal Khazanah Intelektual 5, no. 3 (2022): 1269–81. http://dx.doi.org/10.37250/newkiki.v5i3.133.
Full textAbstract:
Pendidikan memegang peranan yang sangat penting dalam meningkatkan sumber daya manusia..Pada masa pandemi Covid-19 seperti saat ini, dunia pendidikan tengah berada dalam kekacauan. Kualitas pendidikan di suatu wilayah dapat dilihat dari nilai Angka Partisipasi Sekolah (APS), Angka Partisipasi Murni (APM), Angka Partisipasi Kasar (APK). Nilai-nilai tersebut juga merupakan indikator tercapainya pembangunan dalam bidang pendidikan di suatu wilayah. Metode yang digunakan pada penelitian kali ini adalah metode single lingkage. Berdasarkan algoritma cluster yang dilakukan diperoleh hasil bahwa dari 11 Kabupaten/Kota di Provinsi Jambi terkelompok 4 cluster yaitu cluster 1 terdiri dari Kerinci dan Kota Sungai Penuh, cluster 2 terdiri dari Merangin, Tanjung Jabung Barat, Bungo dan Tebo, cluster 3 terdiri dari Sarolangun, Batanghari, Tanjung Jabung Timur dan Muaro Jambi dan cluster 4 terdiri dari Kota Jambi. Keempat cluster tersebut diurutkan berdasarkan tingkatannya yaitu cluster 1 sangat baik, cluster 2 cukup baik, cluster 3 baik dan cluster 4 lebih baik.
12
Yulianti, Titis Risti, Kemal Nazarudin Siregar, Artha Prabawa, and Nurul Fadhilah. "Identifikasi Atribut dengan Principal Component Analysis dan K-Means Clustering Sebagai Dasar Penyusunan Strategi Promosi KB Pria di Indonesia." Jurnal Biostatistik, Kependudukan, dan Informatika Kesehatan 2, no. 2 (2022): 79. http://dx.doi.org/10.51181/bikfokes.v2i2.5868.
Full textAbstract:
Penggunaan kontrasepsi pria sangat rendah dibandingkan wanita di Indonesia, serta terdapat gap cukup jauh antara penggunaan kontrasepsi pria di Indonesia dengan beberapa negara di Asia. Penelitian ini bertujuan untuk menentukan strategi promosi KB pria di Indonesia. Analisis data dilakukan dengan metode Principal Component Analysis (PCA) dan k-means clustering menggunakan 4.453 responden SDKI 2017 mengenai penggunaan KB pria dengan 14 atribut. Hasil penelitian berdasarkan PCA didapatkan 5 principal component, kemudian hasil k-means clustering didapatkan 2 cluster meliputi cluster 1 dan cluster 2. Cluster 1 meliputi 411 pria kawin dengan penggunaan KB pria yang baik dan menduduki sebagian kecil provinsi di Indonesia dan cluster 2 meliputi 4.042 pria kawin dengan penggunaan KB pria kurang baik dan menduduki sebagian besar provinsi di Indonesia. Strategi promosi KB pria pada cluster 1 dilakukan peningkatan sosialisasi, pelayanan KB pria, dan akses media massa, sedangkan cluster 2 dilakukan sosialisasi, pelayanan KB pria, dan akses media massa dengan adanya inovasi. Penelitian ini merekomendasikan kepada pemerintah daerah dan tenaga kesehatan setempat untuk meningkatan sosialisasi, pelayanan KB pria (termasuk konseling), dan akses terhadap media massa kepada pria kawin menyesuaikan karakteristik wilayahnya.
13
Sejati, Sih Kawuri. "ANALISIS CLUSTER UNMET NEED KELUARGA BERENCANA DI INDONESIA." Jurnal Litbang Sukowati : Media Penelitian dan Pengembangan 4, no. 2 (2020): 10. http://dx.doi.org/10.32630/sukowati.v4i2.158.
Full textAbstract:
Pengendalian jumlah penduduk melalui Keluarga Berencana dan Pembangunan Keluarga merupakan salah satu isu strategis yang tercantum dalam RPJMN 2015-2019. Salah satu permasalahan yang dihadapi dalam pelayanan KB adalah masih tingginya angka unmet need di Indonesia. Selain masih tingginya unmet need secara nasional, masih terdapat kesenjangan yang tinggi untuk unmet need pada provinsi-provinsi di Indonesia. Masih adanya kesenjangan unmet need antar provinsi di Indonesia menyebabkan belum adanya solusi yang bisa memecahkan permasalahan tersebut. Untuk itu diperlukan adanya pengelompokan provinsi berdasarkan tingkat unmet need dan faktor-faktor yang diduga memengaruhinya. Dengan menggunakan analisis cluster, didapatkan hasil bahwa faktor yang diduga berhubungan dengan unmet need adalah rata-rata jumlah anak masih hidup dan rata-rata lama sekolah.
14
Gomes, Cláudio M., Alice Faria, João C. Carita, et al. "Di-cluster, seven-iron ferredoxins from hyperthermophilic Sulfolobales." JBIC Journal of Biological Inorganic Chemistry 3, no. 5 (1998): 499–507. http://dx.doi.org/10.1007/s007750050260.
Full text
15
Clark, Daniel E., and Jeremie Houssineau. "Faà di Bruno’s formula and spatial cluster modelling." Spatial Statistics 6 (November 2013): 109–17. http://dx.doi.org/10.1016/j.spasta.2013.09.002.
Full text
16
Dirgantara, Gideon Eka, Isriani Novianti, and Rokhana Dwi Bekti. "SPATIAL CLUSTER UNTUK PENGELOMPOKKAN WILAYAH SETIAP PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESENJANGAN EKONOMI." Seminar Nasional Official Statistics 2019, no. 1 (2020): 430–37. http://dx.doi.org/10.34123/semnasoffstat.v2019i1.63.
Full textAbstract:
Kesenjangan ekonomi antar wilayah merupakan fenomena global yang sering terjadi di negara berkembang, termasuk Indonesia. Kesenjangan ekonomi dapat dilihat dari pendapatan antar daerah yang tidak merata di setiap wilayah. Analisis yang dapat digunakan untuk mengelompokkan 34 provinsi di Indonesia berdasarkan karakteristik kesenjangan ekonomi salah satunya adalah metode spasial cluster. Penelitian ini bertujuan untuk mengetahui pengelompokan provinsi dengan metode SKATER (K’luster Analysis by Tree Edge Removal). Berdasarkan metode tersebut akan dibentuk 3 cluster dan 5 cluster untuk dibandingkan dan mendapatkan metode mana yang paling baik dengan analisis MANOVA. Hasil pengelompokan dari 3 cluster yang terbentuk dengan metode SKATER diperoleh hasil cluster 1 dengan 16 anggota provinsi. Cluster 2 dengan 2 anggota provinsi. Cluster 3 dengan 16 anggota provinsi. Hasil pengelompokan dari 5 cluster yang terbentuk dengan metode SKATER diperoleh hasil cluster 1 dengan 12 anggota provinsi. Cluster 2 dengan 1 anggota provinsi. Cluster 3 dengan 16 anggota provinsi. Cluster 4 dengan 1 anggota provinsi. Cluster 5 dengan 4 anggota provinsi. Dari analisis MANOVA didapatkan nilai Pillai’s Trace untuk metode SKATER dengan 3 Cluster sebesar 1,177 dan SKATER dengan 5 Cluster sebesar 1,355. Hal ini dapat disimpulkan bahwa metode SKATER dengan 5 Cluster lebih baik dari pada 3 Cluster.
17
Darmawan, Novianto Heri. "Segmentasi Loyalitas Pelanggan dengan Model RFM Menggunakan Algoritma Clarans." Prosiding Sains Nasional dan Teknologi 12, no. 1 (2022): 362. http://dx.doi.org/10.36499/psnst.v12i1.7055.
Full textAbstract:
Dalam menentukan upaya kelompok-kelompok pelanggan yang setia perlu melakukan pemeriksaan yang cermat menentukan karakteristik setiap pelanggan dalam bertransaksi. Dengan memiliki karakteristik untuk membuat suatu pengelompokan pelanggan juga perlukan dalam konsep segmentasi pelanggan. Hal tersebut diperlukan karena untuk mengetahui perilaku-perilaku pelanggan sehingga dapat membantu dalam penerapan strategi penjualan yang tepat untuk meningkatkan keuntungan bagi pihak perusahaan. Tujuan penelitian ini yaitu mengidentifikasi kelompok pelanggan - pelanggan dengan algoritma CLARANS berdasarkan model RFM. Metode CLARANS adalah metode klasterisasi yang berbasis partisi k-medoid, dengan menggunakan graf abstraksi untuk menentukan k-medoidsnya. Dalam penelitian ini membahas mengenai segmentasi loyalitas pelanggan yang menggunakan metode CLARAN dan berdasarkan model RFM. Berdasarkan hasil analisis interpretasi RFM yang dilakukan memiliki objek yang terbentuk sebanyak 3 cluster dengan 787 pelanggan berada di cluster 1, 1456 pelanggan berada di cluster 2, 2798 pelanggan berada di cluster 3. Adapun hasil pengujian akurasi terdapat beberapa nilai K, hasil nilai yang paling tinggi dengan mendekati 1 yaitu pada nilai K = 3 dengan nilai Silhouette Coefficient 0.766840732467501 dimana nilai K = 3 tersebut dikategorikan “Klasifikasi Kuat”. Dapat di simpulkan penelitian ini dapat mengelompokan tingkat loyalitas pelanggan menggunakan model RFM dan algoritma CLARANS. Berdasarkan hasil analisis interpretasi RFM yang dilakukan memiliki objek yang terbentuk sebanyak 3 cluster dengan 787 pelanggan berada di cluster 1, 1456 pelanggan berada di cluster 2, 2798 pelanggan berada di cluster 3. Adapun hasil pengujian akurasi terdapat beberapa nilai K, hasil nilai yang paling tinggi dengan mendekati 1 yaitu pada nilai K = 3 dengan nilai Silhouette Coefficient 0.766840732467501 dimana nilai K = 3 tersebut dikategorikan “Klasifikasi Kuat”. Dapat di simpulkan penelitian ini dapat mengelompokan tingkat loyalitas pelanggan menggunakan model RFM dan algoritma CLARANS. Berdasarkan hasil analisis interpretasi RFM yang dilakukan memiliki objek yang terbentuk sebanyak 3 cluster dengan 787 pelanggan berada di cluster 1, 1456 pelanggan berada di cluster 2, 2798 pelanggan berada di cluster 3. Adapun hasil pengujian akurasi terdapat beberapa nilai K, hasil nilai yang paling tinggi dengan mendekati 1 yaitu pada nilai K = 3 dengan nilai Silhouette Coefficient 0.766840732467501 dimana nilai K = 3 tersebut dikategorikan “Klasifikasi Kuat”. Dapat di simpulkan penelitian ini dapat mengelompokan tingkat loyalitas pelanggan menggunakan model RFM dan algoritma CLARANS. hasil nilai yang paling tinggi dengan mendekati 1 yaitu pada nilai K = 3 dengan nilai Koefisien Silhouette 0.766840732467501 dimana nilai K = 3 tersebut dikategorikan “Klasifikasi Kuat”. Dapat di simpulkan penelitian ini dapat mengelompokan tingkat loyalitas pelanggan menggunakan model RFM dan algoritma CLARANS. hasil nilai yang paling tinggi dengan mendekati 1 yaitu pada nilai K = 3 dengan nilai Koefisien Silhouette 0.766840732467501 dimana nilai K = 3 tersebut dikategorikan “Klasifikasi Kuat”. Dapat di simpulkan penelitian ini dapat mengelompokan tingkat loyalitas pelanggan menggunakan model RFM dan algoritma CLARANS.
18
Septiana, Vira, Aden Aden, and Andi Nur Rahman. "PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENGELOMPOKAN JENIS INDUSTRI DI KOTA TANGERANG SELATAN." MathVision : Jurnal Matematika 4, no. 2 (2022): 100–105. http://dx.doi.org/10.55719/mv.v4i2.422.
Full textAbstract:
Abstrak– Industri adalah sektor atau kegiatan ekonomi yang bersangkutan dengan penggunaan keterampilan dan tenaga kerja di pabrik untuk pengolahan bahan baku atau pembuatan bahan jadi, serta penggunaan alat-alat di bidang pengolahan hasil bumi, dan kegiatan ekonomi yang mengalokasikannya sebagai kegiatan utama. Salah satu hal yang menopang perekonomian Indonesia adalah sektor industri. Usaha mikro, kecil, dan menengah merupakan salah satu sub faktor industri yang berkontribusi atas pembangunan ekonomi (UMKM). Tujuan dari penelitian ini adalah untuk mengetahui berapa banyak cluster yang dapat dibentuk dengan menggunakan metode pengelompokan algoritma cluster k-means. Dan untuk mengetahui kelompok mana saja untuk setiap cluster serta mengetahui jenis industri apa yang paling dominan di Kota Tangerang Selatan. Data yang digunakan dalam penelitian ini adalah data jumlah industri di Kota Tangerang Selatan tahun 2019. Berdasarkan data tersebut diperoleh 3 cluster, cluster 1 terdapat 2 kecamatan. Cluster 2 terdapat 4 kecamatan. Cluster 3 terdapat 1 kecamatan.
19
Ramadanti, Elsa, and Muhamad Muslih. "PENERAPAN DATA MINING ALGORITMA K-MEANS CLUSTERING PADA POPULASI AYAM PETELUR DI INDONESIA." Rabit : Jurnal Teknologi dan Sistem Informasi Univrab 7, no. 1 (2022): 1–7. http://dx.doi.org/10.36341/rabit.v7i1.2155.
Full textAbstract:
Telur ayam merupakan jenis telur yag mudah dijumpai dan digemari banyak orang. Sehingga kebutuhan masyarakat akan telur ayam sangat diperlukan untuk memenuhi kebutuhan sumber protein hewani dan nutrisi hariannya. Penelitian ini menganalisis Penerapan Data Mining Algoritma K-Means Clustering pada Populasi Ayam Petelur di Indonesia. Sumber data populasi ayam ras petelur di Indonesia di peroleh dan dikumpulkan melalui situs web Badan Pusat Statistik Nasional. Data yang digunakan terhitung dari tahun 2016-2020 yang terdiri dari 34 provinsi. Data akan dikelompokkan ke dalam 3 cluster yaitu cluster populasi tinggi, sedang, dan rendah. Pengolahan data dilakukan secara manual di Microsoft Excel dan dibantu tools data mining yaitu Rapidminer dan Orange. Hasil dari pengolahan data tersebut menunjukkan hasil yang sama yaitu 1 provinsi untuk cluster populasi tinggi, 3 provinsi untuk cluster populasi sedang dan 30 provinsi untuk cluster populasi rendah. Tujuan penelitian ini adalah agar pemerintah dan peternak lebih memperhatikan jumlah populasi ayam petelur di Indonesia berdasarkan cluster yang telah dilakukan untuk menjaga keseimbangan jumlah dan kestabilan harga telur di masyarakat.
20
Yuli, Yulita, Yakub Yakub, and Wiyoso Wiyono. "Perancangan Sistem Informasi Data Kependudukan Pada Cluster PT. Alam Sutera Realty Tbk." Jurnal Sisfokom (Sistem Informasi dan Komputer) 4, no. 2 (2015): 11. http://dx.doi.org/10.32736/sisfokom.v4i2.109.
Full textAbstract:
PT. Alam Sutera Realty Tbk bergerak di bidang pemasaran hunian real estate yang menerapkan cluster system di kawasan perumahan. Hal ini menjadikan pendataan dari mulai penghuni, tamu yang berkunjung sampai pembayaran iuran keamanan penghuni dari tiap cluster sangat penting. Oleh karena itu, dirancang sistem informasi data kependudukan pada cluster PT. Alam Sutera Realty Tbk. Hasil dari penelitian yang dilakukan diharapkan dapat mempermudah divisi estate dalam mendata lokasi semua penduduk yang tersebar di beberapa cluster berikut laporan iuran dan dapat mempermudah petugas keamanan di setiap cluster untuk mendata tamu yang berkunjung, serta mempermudah memberikan informasi kepada tamu. Rancangan yang dibuat menjadi fasilitas yang sangat berguna bagi perusahaan dalam menjalankan usahanya dan menetapkan kebijakan.
21
Sari, Yunita Ratna, Arby Sudewa, Diah Ayu Lestari, and Tri Ika Jaya. "Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer." CESS (Journal of Computer Engineering, System and Science) 5, no. 2 (2020): 192. http://dx.doi.org/10.24114/cess.v5i2.18519.
Full textAbstract:
Angka kemiskinan di Provinsi Banten tergolong rendah di tingkat nasional. Hal ini dibuktikan dengan persentase penduduk miskin Banten pada September 2019 sebesar 4,94% berada di bawah rata-rata nasional pada periode yang sama sebesar 9,22%. Penelitian ini memanfaatkan teknik data mining dengan menggunakan metode K-Means Clustering. Data penelitian ini diambil dari situs Badan Pusat Statistik (BPS) dari tahun 2015-2019 yang terdiri dari 8 Kabupaten/Kota dengan 3 variabel. Variabel yang digunakan adalah jumlah penduduk miskin (ribu jiwa), rata-rata lama pendidikan sekolah (tahun), dan pengeluaran per kapita yang disesuaikan (ribu rupiah/tahun). Semua data tersebut kemudian diolah dengan Rapidminer dan dilakukan 3 cluster, yaitu: tingkat cluster sedang (C0), tingkat cluster tinggi (C1), dan tingkat cluster rendah (C2). Hasil dari perhitungan rapidminer menunjukkan Kabupaten Tangerang, Kota Cilegon, dan Kota Serang masuk sebagai anggota cluster 0, Kabupaten Pandeglang, Kabupaten Lebak, dan Kabupaten Serang berada pada cluster 1, Kota Tangerang, dan Kota Tangerang Selatan berada di cluster 2.
22
Patimah, Endah, Ermatita Ermatita, and Nurul Chamidah. "Analisis Cluster Kepuasan Pengguna Terhadap Layanan Shopee Menggunakan Algoritma K-Means." Informatik : Jurnal Ilmu Komputer 17, no. 3 (2021): 209. http://dx.doi.org/10.52958/iftk.v17i3.3654.
Full textAbstract:
Di era teknologi yang semakin berkembang, keseharian manusia dalam melakukan aktivitas sehari-hari semakin mudah, salah satu diantaranya adalah belanja online. Aplikasi yang bergerak dibidang itu Shopee. Shopee merupakan aplikasi belanja online yang paling besar di Indonesia, dikarenakan promosi yang sering dan beragam, membuat masyarakat tertarik untuk menggunakan aplikasi Shopee. Oleh karena alasan itu, Shopee harus mengetahui kepuasan pelanggannya. Mengetahui kepuasan pelanggan adalah salah satu hal yang harus diketahui oleh pihak Shopee. Di mana kepuasan pelanggan dapat membuktikan kualitas yang dimiliki oleh pihak Shopee. Di dalam penelitian ini, akan dilakukan pengelompokkan kepuasan pelanggan Shopee dengan menggunakan algoritma K-Means. K-Means adalah salah satu algoritma Clustering, di mana K-Means akan menghasilkan kelompok berdasarkan kepada kemiripannya, sehingga metode ini cocok untuk digunakan dalam penelitian ini. Nilai cluster yang digunakan adalah 2,3,4 dan 5, di mana cluster yang telah dibentuk akan dievaluasi dengan menggunakan Davies Bouldin Index (DBI). Di mana cluster yang memiliki nilai DBI paling kecil adalah cluster yang paling optimal. Hasil yang didapatkan dari penelitian ini menghasilkan cluster yang paling optimal yaitu K-Means dengan k=2 memiliki nilai DBI sebesar 1.587617820812729.
23
Lestari, Widhi. "Clustering Data Mahasiswa Menggunakan Algoritma K-Means Untuk Menunjang Strategi Promosi (Studi Kasus : STMIK Bina Bangsa Kendari)." SIMKOM 4, no. 2 (2019): 35–48. http://dx.doi.org/10.51717/simkom.v4i2.37.
Full textAbstract:
Data mahasiswa STMIK Bina Bangsa Kendari setiap tahunnya terus bertambah dan menghasilkan data yang berlimpah sehingga terjadi penumpukan data. Data yang berlimpah perlu di lakukan pengolahan data untuk menggali informasi yang terdapat didalam data tersebut. Tujuan penelitian ini untuk mengkluster data mahasiswa di STMIK Bina Bangsa Kendari melalui proses data mining dengan menggunakan algoritma K-Means untuk pembentukan cluster. Atribut data digunakan adalah nama mahasiswa, jurusan, sekolah asal, nilai IPK. Data yang digunakan adalah data mahasiswa angkatan 2018/2019 dengan sampel data 171 items dan sumber data berasal dari bagian akademik dan admisi STMIK Bina Bangsa Kendari. Cluster mahasiswa yang terbentuk ada 2 yaitu Cluster 1 (cluster_0) 72 items, dan Cluster 2 (cluster_1) 99 items. Hasil dari penelitian ini di gunakan sebagai dasar untuk menentukan strategi promosi program studi yang ada di STMIK Bina Bangsa Kendari berdasarkan hasil cluster program studi yang banyak di minati dari masing-masing sekolah.
24
Leleury, Zeth Arthur, and Berny Pebo Tomasouw. "PENGELOMPOKKAN DAN PEMETAAN KARAKTERISTIK KEMISKINAN DI KABUPATEN MALUKU BARAT DAYA PROVINSI MALUKU DENGAN MENGGUNAKAN SELF-ORGANIZING MAP DAN ANALISIS BIPLOT." BAREKENG: Jurnal Ilmu Matematika dan Terapan 13, no. 2 (2019): 093–106. http://dx.doi.org/10.30598/barekengvol13iss2pp093-106ar810.
Full textAbstract:
Berdasarkan hasil survei sosial ekonomi nasional (SUSENAS) BPS Provinsi Maluku menunjukkan bahwa kabupaten Maluku Barat Daya (MBD) merupakan kabupaten yang memiliki persentase tingkat kemiskinan tertinggi di provinsi Maluku dengan persentase tingkat kemiskinan 30,18 persen. Penelitian ini bertujuan untuk melakukan pengelompokkan desa/kecamatan di Kabupaten MDB guna melihat karakteristik kemiskinan pada setiap cluster. Selain itu, juga dilakukan pemetaan karakteristik kemiskinan untuk setiap desa/kecamatan di Kabupaten MBD sebagai upaya untuk mengetahui keragaman karakteristik kemiskinan. Metode pengelompokkan yang digunakan adalah algoritma jaringan syaraf tiruan Self Organizing Map (SOM) dan Biplot.
 Hasil penelitian memperlihatkan bahwa hasil pengelompokkan terbaik adalah dengan metode Biplot karena memiliki rasio yang lebih kecil. Adapun hasil pengelompokkan 17 kecamatan di kabupaten MBD terbagi dalam 4 cluster yakni cluster 1 terdiri kecamatan Pulau-Pulau Terselatan, Letti dan Moa; cluster 2 terdiri dari kecamatan Pulau-Pulau Babar dan Babar Timur; cluster 3 terdiri dari kecamatan Pulau Masela, Mdona Hyera, Kepulauan Romang, Damer, Wetar, dan Wetar Barat; sedangkan cluster 4 terdiri dari kecamatan Wetar Utara, Wetar Timur, Kisar Utara, Lakor, Dawelor Dawera dan Pulau Wetang. Ada 11 faktor yang mempengaruhi sehingga cluster 4 tergolong dalam cluster dengan karakteristik kemiskinan tertinggi. Sedangkan ada 4 faktor yang mempengaruhi sehingga cluster 3 tergolong dalam cluster dengan karakteristik kemiskinan cukup tinggi.
25
Fahmi, Resti Noor, Mohamad Jajuli, and Nina Sulistiyowati. "Analisis Pemetaan Tingkat Kriminalitas di Kabupaten Karawang menggunakan Algoritma K-Means." INTECOMS: Journal of Information Technology and Computer Science 4, no. 1 (2021): 67–79. http://dx.doi.org/10.31539/intecoms.v4i1.2413.
Full textAbstract:
Kriminalitas merupakan salah satu permasalahan yang sering terjadi di masyarakat yang perlu diperhatikan karena merugikan dan menimbulkan dampak negatif kepada masyarakat. Dilansir dari jabar.tribunews.com Kabupaten Karawang menjadi ranking pertama tingkat kriminalitas tertinggi di Jawa Barat pada awal masa pandemi. Ini menjadi PR pemerintah dan Polres Karawang khususnya untuk dapat menangani dan mengupayakan penanggulangan kriminalitas di Karawang. Penelitian ini menggunakan metode clustering dengan algoritma k-means dan dilakukan pemetaan daerah rawan kriminalitas menggunakan QGIS. Hasil pengelompokan daerah rawan kriminalitas di Karawang pada 2019 didapatkan cluster tidak rawan sebanyak 23 kecamatan, cluster rawan sebanyak 3 kecamatan dan cluster sangat banyak sebanyak 4 kecamatan. Sedangkan pada 2020 didapatkan cluster tidak rawan sebanyak 22 kecamatan, cluster rawan sebanyak 4 kecamatan, dan cluster sangat rawan sebanyak 4 kecamatan. Hasil evaluasi clustering menggunakan silhouette coefficient pada tahun 2019 yaitu sebesar 0,52 dan 0,54 pada tahun 2020, keduanya masuk dalam kategori medium strucutre dengan interpretasi penempatan klaster yang wajar
26
Nugroho Arif Sudibyo, Ardymulya Iswardani, Kartika Sari, and Siti Suprihatiningsih. "PENERAPAN DATA MINING PADA JUMLAH PENDUDUK MISKIN DI INDONESIA." Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika 1, no. 3 (2020): 199–207. http://dx.doi.org/10.46306/lb.v1i3.42.
Full textAbstract:
Tujuan penelitian ini adalah menerapkan data mining pada jumlah penduduk miskin di Indonesia dengan data 2006 sampai Maret 2020. Akan dilakukan analisis cluster dengan metode k-menas kemudian dilakukan prediksi pada jumlah penduduk miskin di Indonesia. Hasil penelitian menunjukkan bahwa dengan analisis cluster metode k-means diperoleh dua cluster. Selanjutnya, berdasarkan prediksi yang telah dilakuakan dengan double exponential smoothing dengan nilai Alpha 1,094 dan Gamma 0,539, diprediksi periode selanjutnya terdapat 27,4405 juta jiwa penduduk miskin di Indonesia.
27
Mayasari, Tri Rena. "CLUSTERING AKSES AIR BERSIH DAN SANITASI LAYAK KABUPATEN/KOTA DI PROVINSI LAMPUNG." Seminar Nasional Official Statistics 2019, no. 1 (2020): 563–72. http://dx.doi.org/10.34123/semnasoffstat.v2019i1.106.
Full textAbstract:
Menjamin ketersediaan dan manajemen air dan sanitasi yang berkelanjutan untuk semua merupakan tujuan keenam dari Sustainable Development Goals (SDGs). Untuk mendorong tujuan tersebut, Provinsi Lampung menargetkan di tahun 2019 seluruh Kabupaten/Kota di Provinsi Lampung meraih 100 persen universal akses air dan sanitasi. Namun, pada kenyataannya, Provinsi Lampung berada pada segmen empat terbawah se-Nasional dalam hal akses air minum dan sanitasi layak. Rendahnya akses air minum dan sanitasi tersebut, merupakan dampak ketimpangan dan kesenjangan daerah di Provinsi Lampung. Adanya gap yang besar antara daerah Kota dan Kabupaten. Oleh karena itu, perlu adanya pengkajian analisis cluster untuk dijadikan landasan dalam pengambilan keputusan oleh Pemerintah Provinsi Lampung. Tujuan penelitian ini adalah untuk membahas kondisi air minum dan sanitasi layak di Provinsi Lampung dan untuk menganalisis Kabupaten/Kota mana yang perlu dipercepat dalam program agenda daerah 100 persen akses universal air minum dan sanitasi layak. Analisis yang digunakan pada penelitian ini adalah analisis deskriptif dan analisis cluster (analisis gerombol) dengan menggunakan metode Hierarchical Cluster. Hasil penelitian menunjukkan bahwa terdapat gap atau jarak antara daerah Perkotaan dan Pedesaan dalam hal akses air maupun sanitasi layak. Sedangkan analisis cluster menunjukkan bahwa dari 15 Kabupaten/Kota yang ada di Provinsi Lampung, terdapat 3 cluster/kelompok dengan karakteristik yang berbeda, yaitu daerah yang akses air dan sanitasi layak dengan kategori tinggi, sedang dan rendah. Cluster pertama (kategori tinggi) terdiri dari Kota Bandar Lampung dan Metro, Kabupaten Pringsewu dan Lampung Selatan, cluster kedua (Kategori Rendah) terdiri dari Kabupaten Way Kanan, Tulang Bawang Barat, Lampung Timur, Lampung Tengah dan Lampung Utara. Sedangkan cluster ketiga (Kategori sedang) terdiri dari Kabupaten Tulang Bawang, Pesawaran, Lampung Barat, Pesisir Barat, Mesuji dan Tanggamus. Dari hasil analisis ini, Pemerintah Provinsi Lampung disarankan untuk menyusun kebijakan yang mengarah pada perbaikan akses air dan sanitasi khususnya pada daerah di cluster kedua dan cluster ketiga.
28
Orisa, Mira. "Optimasi Cluster pada Algoritma K-Means." Prosiding SENIATI 6, no. 2 (2022): 430–37. http://dx.doi.org/10.36040/seniati.v6i2.5034.
Full textAbstract:
Metode evaluasi yang digunakan adalah metode-metode internal. Metode internal melakukan evaluasi dengan melihat seberapa jauh jarak antar cluster dan seberapa padat cluster-cluster tersebut. Pengklasterisasian data dimodelkan menggunakan algoritma K-Means. Algoritma K-Means memiliki kelemahan dalam menentukan centroid awal. Centroid awal ditentukan secara random/acak untuk sejumlah k cluster yang dipilih. Sehingga keluaran yang dihasilkan bergantung pada pemilihan centroid awal tersebut. Algoritma K-Means harus dijalankan berulang kali untuk mendapatkan hasil cluster yang optimal. Evaluasi cluster untuk menemukan jumlah cluster terbaik pada algoritma K-means dapat ditentukan dengan metode internal seperti metode Elbow, Davies Bouldin Index, dan Silhouette Index. Metode Elbow merupakan Teknik evaluasi internal yang mengukur evaluasi cluster dengan Sum of Square Error(SSE). Metode Davies Bouldin Index mengukur evaluasi cluster dengan Sum of Square Within Cluster (SSW) dan Sum of Square Between Cluster (SSW). Sedangkan metode silhouette index menggunakan perhitungan nilai koefisien. Hasil optimasi cluster menggunakan metode elbow yaitu jumlah cluster optimal adalah 3 dengan titik elbow berada di k=3. Sedangkan untuk hasil optimasi untuk metode davies bouldin index dan silhouette index yaitu jumlah cluster optimal adalah 2 dengan jumlah nilai DBI terendah ada di k = 2 yaitu sebesar 0.3228986726354396 . SI yang mendekati 1 adalah di k=2 sebesar 0,894.
29
Sitinjak, Desi Kristina, Bagus Aji Pangestu, and Betha Nurina Sari. "Clustering Tenaga Kesehatan Berdasarkan Kecamatan di Kabupaten Karawang Menggunakan Algoritma K-Means." Journal of Applied Informatics and Computing 6, no. 1 (2022): 47–54. http://dx.doi.org/10.30871/jaic.v6i1.3855.
Full textAbstract:
Pembangunan kesehatan merupakan bagian dari Pembangunan Nasional yang pada hakekatnya adalah penyelenggaraan upaya kesehatan untuk mencapai kemampuan hidup sehat bagi setiap penduduk agar dapat mewujudkan derajat kesehatan yang optimal, masalah kesehatan yang ada pada masyarakat di Indonesia yaitu masih minimnya tenaga kesehatan pada setiap wilayah. Salah satunya di Kabupaten Karawang, Tenaga kesehatan yang tidak tercukupi di beberapa kecamatan yang ada di Karawang akan membuat masyarakat di kecamatan tersebut kesulitan untuk hidup sehat dan mengobati penyakitnya. Penelitian ini bertujuan untuk melakukan pengelompokan terhadap Kecamatan yang memiliki tenaga kesehatan yang masih kurang sehingga data tersebut dapat digunakan untuk peningkatan kualitas kesehatan. Penelitian ini mengunakan metode K-Means Clustering. Hasil pengolahan dataset tenaga kesehatan yang ada di Kabupaten Karawang menghasilkan 3 cluster, yaitu cluster 1 dengan tenaga kesehatan sedikit sebanyak 24 kecamatan, cluster 2 dengan tenaga kesehatan sedang sebanyak 4 kecamatan dan cluster 3 dengan tenaga kesehatan terbanyak yaitu 2 kecamatan.
30
Lestari, Dewi, Nurul Fadillah, and Ahmad Ihsan. "Sistem Deteksi kualitas Beras Berdasarkan Warna menggunakan Fuzzy C-Means Clustering Guna Membantu Tingkat Pengetahuan Masyarakat." InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan) 3, no. 2 (2019): 32–38. http://dx.doi.org/10.30743/infotekjar.v3i2.920.
Full textAbstract:
Beras merupakan bahan makanan pokok bangsa Indonesia. Tidak hanya di Indonesia, sebagian besar penduduk dunia juga memilih beras sebagai bahan makanan pokok utama. Semakin tingginya konsumsi beras di Indonesia dapat memicu terjadinya perkembangan beras bebas produk, maka dari itu masyarakat yang cerdas harus lebih teliti dalam melihat warna beras, apakah warna beras tersebut bagus dan layak untuk di masak atau warna beras tersebut termasuk kategori warna beras tidak bagus. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan ini adalah metode Fuzzy C-Means. Algoritma Fuzzy C-Means merupakan satu algoritma yang mudah dan sering di gunakan dalam pengelompokkan data karena membuat suatu perkiraan yang efisien dan tidak memerlukan banyak parameter. Pada kasus penelitian ini akan menganalisis penerapan metode Fuzzy C-Means untuk mengelompokkan beras bagus dan beras tidak bagus berdasarkan warna beras, dengan menggunakan dua gambar objek yang di jadikan sebagai sampel data. Salah satu teknik fuzzy clustering adalah Fuzzy C-Means Clustering (FCM). FCM merupakan suatu teknik pengklasteran data yang keberadaan setap datanya dalam suatu cluster di tentukan oleh nilai/derajat keanggotaan tertentu. Beberapa penelitian telah menghasilkan kesimpulan bahwa metode Fuzzy C-Means dapat di gunakan untuk mengelompokkan data berdasarkan atribut-atribut tertentu. Penerapan algorita Fuzzy C-Means dalam penentuan kategori warna beras di kelompokkan menjadi 2 cluster yaitu beras tidak bagus dan beras bagus. Dari sampel data yang diambil di peroleh 2 cluster berdasarkan kriteria mana yang lebih di kategorikan dengan nilai terbesar pada jarak akhir merupakan cluster warna beras yang bagus, sedangkan cluster dengan nilai terkecil merupakan cluster yang di kategorikan beras tidak bagus. Pada gambar objek ke-1 range nilai 0.1667 - 0.9877 untuk kategori beras bagus dan 0.2 - 0.1667 untuk kategori beras tidak bagus. Sementara pada gambar objek ke-2 yaitu dengan range 0.9583 - 0.9936 untuk kategori beras bagus dan 0.6742 - 0.9596 untuk kategori beras tidak bagus.
31
Fajrianti, Febi, Muhammad Nadjib Bustan, and Muhammad Arif Tiro. "Penggunaan Analisis Cluster K-Means dan Analisis Diskriminan Dalam Pengelompokan Desa Miskin di Kabupaten Pangkep." VARIANSI: Journal of Statistics and Its application on Teaching and Research 1, no. 2 (2019): 7. http://dx.doi.org/10.35580/variansiunm9355.
Full textAbstract:
Jenis penelitian ini adalah penelitian eksplorasi yang bertujuan untuk mengelompokkan objek dengan menggunakan metode pengelompokan Analisis Cluster K-Means sebagai pengelompokan awal terhadap objek penelitian desa berdasarkan variabel pencirinya. Variabel yang digunakan sebagai indikator pengelompokan desa miskin adalah tingkat pendidikan (X1), kepadatan penduduk (X2), angka kelahiran kasar (X3), angka kematian kasar (X4), rata-rata banyaknya anggota keluarga (X5). Data diperoleh dari unit perpustakaan BPS dan kantor Catatan Sipil Kabupaten Pangkep dengan objek penelitian keseluruhan desa di Kabupaten Pangkep. Tahapan analisis data yang dilakukan yaitu melakukan pengelompokan awal dengan menggunakan Analisis Cluster K-Means, dari beberapa cluster yang dibentuk selanjutnya akan dilakukan analisis Diskriminan untuk melihat akurasi pengelompokan. Berdasarkan analisis Diskriman diperoleh 98,06% (3 cluster), 94,17% (4 cluster), 91,26% (5 cluster), 94,17% (6 cluster), 86,41% (7 cluster), dan 88,35% (8 cluster). Dari uraian di atas diperoleh bahwa dengan membentuk pengelompokan dengan 3 cluster, maka hasil akurasi pengelompokan yang diperoleh lebih baik dari cluster lain yang dibentuk.Kata Kunci : Analisis Cluster K-Means, Analisis Diskriminan, Kemiskinan
32
Furkan, Lalu M., and Agusdin Agusdin. "DINAMIKA INOVASI PADA KLUSTER INDUSTRI PARIWISATA BALI MELALUI KERJASAMA PEMERINTAH-UNIVERSITAS-INDUSTRI." Distribusi - Journal of Management and Business 4, no. 1 (2018): 62–74. http://dx.doi.org/10.29303/jdm.v4i2.14.
Full textAbstract:
ABSTRAKPariwisata menjadi topik yang diagendakan di Indonesia seperti di Bali dimana pembangunan ekonomi yang didukung oleh master rencana untuk ekspansi dan percepatan pembangunan ekonomi indonesia tahun 2011-2025. Hal ini disebutkan dalam koridor pembangunan nomor 5 disebut koridor pariwisata dan sumber pangan nasional di mana bali termasuk ke kawasan wisata pembangunan. Dalam mengembangkan pariwisata berkelanjutan di Bali diperlukan strategi pembangunan ekonomi, inovasi bermain peran penting. Oleh karena itu , tujuan penelitian ini adalah untuk mengidentifikasi inovasi di dalam industri kerajinan cluster indonesia sebagai salah satu bagian industri pariwisata. Kerangka survei perusahaan untuk diidentifikasi adalah perusahaan yang melakukan kegiatan inovasi di dalam cluster. Survei 33 pemilik perusahan dan eksekutif dengan menggunakan kuesioner dan teknik in-depth interview digunakan untuk mengeksplorasi tingkat kegiatan inovasi. Hasil penelitian mengidentifikasi banyak jenis inovasi dilakukan. Inovasi telah banyak didukung oleh banyak lembaga dalam industri cluster kerajinan di Bali. Jejaring yang kompleks telah menyiapkan lebih banyak pengetahuan dan teknologi bagi cluster industri kerajinan di Bali. Oleh karena itu, temuan dalam penelitian ini adalah adanya hubungan diantara lembaga maupun institusi kerajinan di Bali. Kata Kunci: Cluster, Inovasi, UMKM, Industri Kreatif, Industri KerajinanABSTRACTTourism has became topical agenda in Indonesia as well as in Bali Economic development which is supported by the Master Plan for Expansion and Acceleration of the Indonesia Economic Development 2011-2025. It is mentioned in corridor of development number 5 called Tourism & Food National Support Corridor where Bali is included to the tourism area development. In order to develop sustainable tourism for the Bali economic development strategy, innovation play important role. Therefore, aim of this research is to identify innovation activities in the Indonesian craft industrial cluster as one of the broad tourism industry players. A framework of company survey was taken to identify their innovation activities in the cluster. Survey of 33 company owners and executives using quessionaires and in-depth interview technique explores their level of innovation activities. Thus research result found many types of innovation presented on the paper. Those types of innovation has been supported by many institutions in the Balinese craft industrial cluster. The more complex network has been set up the more knowledge and technology flows into the Balinese craft industrial cluster. Therefore, new types of inter-relationship among institutions in the Balinese craft industry is called innovation in the research .Keywords: Cluster, Innovation, SMEs, Creative industry, Handicraft industry
33
Furkan, Lalu M., and Agusdin Agusdin. "DINAMIKA INOVASI PADA KLUSTER INDUSTRI PARIWISATA BALI MELALUI KERJASAMA PEMERINTAH-UNIVERSITAS-INDUSTRI." Distribusi - Journal of Management and Business 4, no. 2 (2018): 63–77. http://dx.doi.org/10.29303/distribusi.v4i2.14.
Full textAbstract:
ABSTRAKPariwisata menjadi topik yang diagendakan di Indonesia seperti di Bali dimana pembangunan ekonomi yang didukung oleh master rencana untuk ekspansi dan percepatan pembangunan ekonomi indonesia tahun 2011-2025. Hal ini disebutkan dalam koridor pembangunan nomor 5 disebut koridor pariwisata dan sumber pangan nasional di mana bali termasuk ke kawasan wisata pembangunan. Dalam mengembangkan pariwisata berkelanjutan di Bali diperlukan strategi pembangunan ekonomi, inovasi bermain peran penting. Oleh karena itu , tujuan penelitian ini adalah untuk mengidentifikasi inovasi di dalam industri kerajinan cluster indonesia sebagai salah satu bagian industri pariwisata. Kerangka survei perusahaan untuk diidentifikasi adalah perusahaan yang melakukan kegiatan inovasi di dalam cluster. Survei 33 pemilik perusahan dan eksekutif dengan menggunakan kuesioner dan teknik in-depth interview digunakan untuk mengeksplorasi tingkat kegiatan inovasi. Hasil penelitian mengidentifikasi banyak jenis inovasi dilakukan. Inovasi telah banyak didukung oleh banyak lembaga dalam industri cluster kerajinan di Bali. Jejaring yang kompleks telah menyiapkan lebih banyak pengetahuan dan teknologi bagi cluster industri kerajinan di Bali. Oleh karena itu, temuan dalam penelitian ini adalah adanya hubungan diantara lembaga maupun institusi kerajinan di Bali. Kata Kunci: Cluster, Inovasi, UMKM, Industri Kreatif, Industri KerajinanABSTRACTTourism has became topical agenda in Indonesia as well as in Bali Economic development which is supported by the Master Plan for Expansion and Acceleration of the Indonesia Economic Development 2011-2025. It is mentioned in corridor of development number 5 called Tourism & Food National Support Corridor where Bali is included to the tourism area development. In order to develop sustainable tourism for the Bali economic development strategy, innovation play important role. Therefore, aim of this research is to identify innovation activities in the Indonesian craft industrial cluster as one of the broad tourism industry players. A framework of company survey was taken to identify their innovation activities in the cluster. Survey of 33 company owners and executives using quessionaires and in-depth interview technique explores their level of innovation activities. Thus research result found many types of innovation presented on the paper. Those types of innovation has been supported by many institutions in the Balinese craft industrial cluster. The more complex network has been set up the more knowledge and technology flows into the Balinese craft industrial cluster. Therefore, new types of inter-relationship among institutions in the Balinese craft industry is called innovation in the research .Keywords: Cluster, Innovation, SMEs, Creative industry, Handicraft industry
34
Sofiaty, Evy, Ernawati Hendrakusumah, and Ernadi Syaodih. "Implikasi Pengembangan Perumahan "Pola Cluster" Terhadap Keterpaduan Prasarana, Sarana dan Utilitas Umum (PSU) Kawasan di Kecamatan Katapang." Jurnal Perencanaan Wilayah dan Kota 17, no. 2 (2023): 22–33. http://dx.doi.org/10.29313/jpwk.v17i2.1641.
Full textAbstract:
Di Jawa Barat persentase penduduk semakin meningkat setiap tahunnya. Berdasarkan data BPS 2020, diprediksi pada tahun 2025 penduduk perkotaan akan mencapai 83,1%, tahun 2030 mencapai 86,6% dan pada tahun 2035 persentase penduduk perkotaan di Jawa Barat mencapai 89,3%. Dengan pesatnya pertumbuhan penduduk perkotaan, maka pemenuhan kebutuhan perumahan mengalami peningkatan. Didalam pemenuhan pembangunan perumahan berkaitan erat dengan pertimbangan akses terhadap fasilitas. Akan tetapi disisi lain pembangunan perumahan baru yang ada, tidak selalu di imbangi dengan adanya penyediaan infrastruktur PSU yang sesuai dan hal tersebut dapat dijumpai pada perumahan pola cluster < 10.000. Salah satu kawasan yang banyak terdapat sebaran perumahan pola cluster < 10.000 yakni Kecamatan Katapang di Kabupaten Bandung. Didalam studi dilakukan untuk melihat keterpaduan PSU di sekitar kawasan perumahan pola cluster. Pendekatan yang dilakukan yaitu campuran, agar memberi pemahaman dan hasil akhir yang lebih baik dalam mengetahui implikasi pengembangan perumahan pola cluster terhadap keterpaduan prasarana, sarana dan utilitas umum. Analisis yang digunakan yaitu Analisis Perkiraan Kebutuhan Pengembangan Sarana Fasilitas, Cakupan Pelayanan Fasilitas, Customer Satisfaction Index (CSI), Deskriptif Evaluatif dan Triangulasi. Dari hasil Analisa didapatkan bahwa terdapat beberapa kebutuhan penambahan PSU di beberapa perumahan pola cluster, serta kurang terpadunya PSU wilayah yang ada karena berada di luar kriteria cakupan pelayanan yang ditetapkan oleh SNI 03-1733-2004.
35
Gayatri, Lidia, and Hendry Hendry. "PEMETAAN PENYEBARAN COVID-19 PADA TINGKAT KABUPATEN/KOTA DI PULAU JAWA MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING." Sebatik 25, no. 2 (2021): 493–99. http://dx.doi.org/10.46984/sebatik.v25i2.1307.
Full textAbstract:
Coronavirus atau Covid-19 adalah virus yang ditemukan di Wuhan, China pada Desember 2019. Virus Covid-19 memiliki kemampuan penyebaran yang cukup cepat diseluruh dunia termasuk di Indonesia melalui interaksi antar manusia dan menginfeksi saluran pernapasan yang dapat menyebabkan kematian. Kasus Covid-19 yang terus meningkat membuat perlu dilakukan pemetaan tingkat kerawanan penyebaran Covid-19 khususnya di Pulau Jawa. Algoritma K-Means adalah salah satu metode clustering yang dapat membagi data ke dalam beberapa kelompok. Davies Bouldin Index (DBI) digunakan untuk menghitung kemiripan setiap cluster. Hasil pengujian menunjukkan cluster terbaik pada ukuran cluster 3 dengan nilai DBI 0.609. Terdapat 3 tingkat kerawanan, yaitu kerawanan rendah terdapat pada cluster 0 yang memiliki 105 kabupaten/kota, kerawanan sedang terdapat pada cluster 2 yang memiliki 7 kabupaten/kota, dan kerawanan tinggi terdapat pada cluster 1 yang memiliki 7 kabupaten/kota. Hasil pemetaan menunjukkan kabupaten/kota yang berada pada tingkat kerawanan tinggi berada di Kota Jakarta Utara, Kota Jakarta Barat, Kota Jakarta Pusat, Kota Jakarta Selatan, Kota Jakarta Timur, Kota Surabaya, dan Kota Semarang. Hasil dari penelitian diharapkan dapat digunakan sebagai acuan oleh masyarakat maupun pemerintah.
36
DAI, L. R., J. LIU, and L. YUAN. "THE POSSIBLE DI-OMEGA DIBARYON IN QUARK CLUSTER MODEL." International Journal of Modern Physics: Conference Series 26 (January 2014): 1460120. http://dx.doi.org/10.1142/s2010194514601203.
Full textAbstract:
The mixing of scalar mesons is introduced into the baryon-baryon system in the chiral SU(3) quark model to further dynamically investigate the Di-omega state by using the same parameters as those in reasonably describing the experimental hyperon-nucleon and nucleon-nucleon scattering data. Two different mixings of scalar mesons, the ideal mixing and 19° mixing, are discussed, and compared with no mixing. The results show that it is still deeply bound state if 19° mixing is adopted, the same as those of no mixing. However, for ideal mixing, the binding energy is reduced quite a lot, yet it is still a bound state.
37
Kartikasari, Yuniar Mega, and Achmad Choiruddin. "Analisis Risiko Gempabumi di Sumatera dengan Cauchy Cluster Process." Inferensi 5, no. 2 (2022): 123. http://dx.doi.org/10.12962/j27213862.v5i2.12307.
Full text
38
Schmidbaur, H., A. Hamel, N. W. Mitzel, A. Schier, and S. Nogai. "Cluster self-assembly of di[gold(I)]halonium cations." Proceedings of the National Academy of Sciences 99, no. 8 (2002): 4916–21. http://dx.doi.org/10.1073/pnas.062643599.
Full text
39
Zimmermann, Nina, Thorsten M. Bernhardt, Joost M. Bakker, Uzi Landman, and Sandra M. Lang. "Infrared photodissociation spectroscopy of di-manganese oxide cluster cations." Physical Chemistry Chemical Physics 21, no. 43 (2019): 23922–30. http://dx.doi.org/10.1039/c9cp04586d.
Full textAbstract:
Infrared multiple-photon dissociation (IR-MPD) spectroscopy and density functional theory (DFT) calculations have been employed to elucidate the geometric structure of a series of di-manganese oxide clusters Mn<sub>2</sub>O<sub>x</sub><sup>+</sup> (x = 4–7).
40
Jazimah, Ipong, and Sumiyatun Septianingsih. "PELATIHAN BUDIDAYA TANAMAN OBAT BUNGA TELANG SEBAGAI SUMBER IMUNITAS TUBUH MASA PANDEMI COVID 19 DI PAGUYUBAN IBU-IBU CLUSTER CIBEREM INDAH SUMBANG BANYUMAS." Jurnal Dharma Bhakti Ekuitas 6, no. 2 (2022): 667–72. http://dx.doi.org/10.52250/p3m.v6i2.415.
Full textAbstract:
Permasalahan yang dihadapi oleh mitra adalah masih rendahnya pengetahuan ibu-ibu di Cluster Ciberem Indah tentang tanaman obat bunga telang dan pemanfaatannya sebagai sumber imunitas tubuh di masa pandemi COVID-19, serta rendahnya budidaya tanaman obat bunga telang di Cluster Ciberem Indah. Program ini bertujuan untuk meningkatkan pengetahuan masyarakat mengenai manfaat dan budidaya tanaman obat bunga telang sebagai sumber imunitas tubuh di masa pandemi COVID-19. Metode yang digunakan adalah pelatihan dan pendampingan. Kelompok sasaran yang mengikuti pengabdian yaitu Paguyuban Ibu-Ibu Cluster Ciberem Indah Sumbang Banyumas. Hasil dari kegiatan menunjukkan adanya peningkatan pengetahuan dan kemampuan peserta tentang budidaya tanaman obat bunga telang.
41
Islami, Bagus Muhammad, Cepy Sukmayadi, and Tesa Nur Padilah. "Clustering Fasilitas Kesehatan Berdasarkan Kecamatan Di Karawang Dengan Algoritma K-Means." BINA INSANI ICT JOURNAL 8, no. 1 (2021): 83. http://dx.doi.org/10.51211/biict.v8i1.1488.
Full textAbstract:
Abstrak: Masalah kesehatan yang ada di dalam masyarakat terutama di negara- negara berkembang seperti Indonesia dipengaruhi oleh dua faktor yaitu aspek fisik dan aspek non fisik. Berdasarkan data yang diperoleh dari karawangkab.bps.go.id data dibagi menjadi 3 cluster yaitu sedikit, sedang dan terbanyak. Algoritma yang digunakan adalah K-Means cluster yang diimplementsikan menggunakan Microsoft Excel dan Rapidminer Studio. Hasil pengolahan data fasilitas kesehatan di karawang menghasilkan 3 cluster dengan cluster 1 yang mempunyai fasilitas kesehatan sedikit sebanyak 23 kecamatan, cluster 2 yang mempunyai fasilitas kesehatan sedang sebanyak 5 kecamatan dan cluster 3 yang mempunyai fasilitas kesehatan terbanyak terdapat 2 kecamatan. Kinerja yang dihasilkan dari algoritma K-means menghasilkan nilai Davies Boildin Index sebesar 0,109.
 
 Kata kunci: clustering, data mining, fasilitas kesehatan, K-Means.
 
 Abstract: Health problems that exist in society, especially in developing countries like Indonesia, are built by two factors, namely physical and non-physical aspects. Based on data obtained from karawangkab.bps.go.id the data is divided into 3 clusters, namely the least, medium and the most. The algorithm used is the K-Means cluster which is implemented using Microsoft Excel and Rapidminer Studio. The results of data processing of health facilities in Karawang produce 3 clusters with cluster 1 which has 23 sub-districts of health facilities, cluster 2 which has medium health facilities as many as 5 districts and cluster 3 which has the most health facilities in 2 districts. The performance resulting from the K-means algorithm results in a Davies Boildin Index value of 0.109. 
 
 Keywords: clustering, data mining, health facilities, K-Means.
42
Rahmawati, Rahmawati, and Muliady Faisal. "Analisis Cluster untuk Pengelompokan Desa Berdasarkan Indikator Penyakit Diare." SAINTIFIK 5, no. 1 (2019): 75–80. http://dx.doi.org/10.31605/saintifik.v5i1.202.
Full textAbstract:
Penelitian ini bertujuan mengelompokkan desa berdasarkan indikator penyakit diare. Metode K-Means adalah salah satu teknik analisis cluster yang dapat dilakukan untuk mengelompokkan daerah yang memiliki kemiripan. Metode penelitian dimulai dengan (1) melakukan observasi penyebab penyakit diare, (2) mengumpulkan data, (3) melakukan pengelompokan daerah menggunakan analisis cluster, kemudian (4) menginterpretasikan hasil analisis. Sebanyak 51 desa dikelompokkan berdasarkan 5 variabel yaitu: Keberadaan tempat buang air di desa setempat, Kondisi pemukiman, Sumber air minum dan potensi banjir. Analisis cluster dengan menggunakan algoritma K-Means menghasilkan Cluster 1 sebanyak 4 desa, Cluster 2 sebanyak 37 desa, Cluster 3 sebanyak 2 desa, dan Cluster 4 sebanyak 8 desa. Hasil pengelompokan memberikan informasi penyebab penyakit diare dan menjadi acuan untuk pencegahannya di setiap cluster.Kata kunci: Penyakit Diare, K-Means, Analisis Cluster
43
Dona, Dona, and Mi’rajul Rifqi. "PENERAPAN METODE K-MEANS CLUSTERING UNTUK MENENTUKAN STATUS GIZI BAIK DAN GIZI BURUK PADA BALITA (STUDI KASUS KABUPATEN ROKAN HULU)." Rabit : Jurnal Teknologi dan Sistem Informasi Univrab 7, no. 2 (2022): 179–91. http://dx.doi.org/10.36341/rabit.v7i2.2171.
Full textAbstract:
Kekurangan gizi atau yang biasa disebut malnutrisi merupakan salah satu masalah kesehatan yang cukup sering menimpa balita-balita di Indonesia. Kepedulian orang tua dan aparat desa (dalam hal ini petugas Pusat Pelayanan Kesehatan Masyarakat – PUSKESMAS) untuk memantau gizi balita sangat diperlukan. Penelitian yang dilakukan mencoba untuk melakukan pengelompokan 15 balita di Kab. Rokan Hulu kedalam 2 cluster status gizi. Pengelompokan status gizi balita di Kab. Rokan Hulu menggunakan metode K-Means dilakukan melalui beberapa tahapan yaitu : penentuan tujuan bisnis, pengumpulan data 15 balita di Kab. Rokan Hulu, pengelompokan status gizi balita ke dalam 2 cluster yaitu cluster 1 - gizi baik; cluster 2 -Gizi Baik, pengelompokan status gizi balita menggunakan algoritma K-Means, dan yang terakhir melakukan pengujian dengan membandingkan hasil pengelompokan algoritma K-means dan Rapid Miner.
 Kata kunci : Data Mining , Clustering , K -Means
44
Sulastri, Sulastri, Arief Jananto, and Sri Eniyati. "PENERAPAN DATA MINING NILAI PENJAJAKAN UJIAN NASIONAL MENGGUNAKAN METODE CLUSTERING STUDI KASUS DI SMP “X” DI KOTA SEMARANG." Jurnal Dinamika Informatika 10, no. 2 (2018): 60–68. http://dx.doi.org/10.35315/informatika.v10i2.8134.
Full textAbstract:
Untuk menghadapi Ujian Nasional memerlukan persiapan yang baik agar siswa mendapat nilai yang maksimal. Salah satu cara untuk menyiapkan siswanya, sekolah dan dinas terkait melakukan Penjajakan Ujian Nasional (PUN). SMP “X” di kota Semarang juga melakukan PUN, nilai PUN yang diperoleh kemudian diranking untuk pengelompokan kelas tambahan. Tiap kelas tambahan mempunyai 30 siswa. Siswa yang ranking 1-30 menempati kelas A, siswa yang ranking 31-60 di kelas B dan seterusnya.
 Tujuan peneltian ini menganalisa nilai PUN dari 288 siswa dengan menggunakan metoda K-mean untuk mendapatkan cluster-cluster kelas tambahan sesuai dengan kebutuhan. Nilai PUN yang dianalisa adalah nilai Bahasa Indonesia, Matematika, Bahasa Inggris dan IPA. Dari analisa yang sudah dikerjakan didapat bahwa jumlah cluster dapat ditentukan sesuai kebutuhan bidang akademik dan tiap cluster mempunyai cacah anggota yang berbeda.
45
Alfiah, Febiyanti, Almadayani Almadayani, Danial Al Farizi, and Edy Widodo. "Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020." JURNAL ILMIAH SAINS 22, no. 1 (2021): 1. http://dx.doi.org/10.35799/jis.v22i1.35911.
Full textAbstract:
Keberadaan pandemi COVID-19 di Indonesia, mengakibatkan kemiskinan di Indonesia semakin tinggi terutama di Jawa Timur yang menjadi satu diantara provinsi lain dengan kasus COVID-19 tinggi di Indonesia. Tujuan penelitian ini yaitu mengetahui pengelompokan kabupaten/kota di Jawa Timur yang mempunyai kesamaan karakteristik berdasarkan indikator kemiskinan tahun 2020. Penelitian ini menggunakan data yang didapatkan dari Badan Pusat Statistik. Metode yang digunakan ialah metode k-medoids clustering yang merupakan metode partisi clustering guna pengelompokan n objek ke dalam k cluster. Berdasarkan hasil penelitian, diperoleh pengelompokan karakteristik masing-masing cluster yang dibentuk berdasarkan nilai indikator kemiskinan di Jawa Timur tahun 2020 sebanyak 2 cluster. Dimana 30 kabupaten/kota pada cluster 1 dan dan 8 kabupaten/kota pada cluster 2. Cluster 1 memiliki karakteristik Persentase Rumah Tangga yang Mempunyai Sanitasi Layak, Angka Harapan Hidup, dan Persentase Angka Melek Huruf Umur 15-55 Th tinggi. Sedangkan cluster 2 memiliki karakteristik Persentase Rumah Tangga Miskin Penerima Raskin, Persentase Penduduk Miskin, dan Persentase Pengeluaran Perkapita untuk Makanan dengan Status Miskin tinggi. Kata kunci: Clustering; Jawa Timur; K-medoids; kemiskinan K-Medoids Clustering Analysis Based on Poverty Indicators in East Java in 2020 ABSTRACT The existence of the pandemic COVID-19 in Indonesia has resulted in higher poverty in Indonesia, especially in East Java, which is one of the other provinces with high cases in Indonesia. The purpose of this study is to find out the grouping of regencies/cities in East Java that have similar characteristics based on the poverty indicators in 2020. This study uses data obtained from the Badan Pusat Statistik. The method used is k-medoids clustering method which is a clustering partition method for grouping n objects into k clusters. Based on the results of the study, it was found that the grouping of the characteristics of each cluster formed based on the value of the poverty indicator in East Java in 2020 was 2 clusters. Where 30 regencies/cities in cluster 1 and and 8 regencies/cities in cluster 2. Cluster 1 has the characteristics of the percentage of households that have proper sanitation, life expectancy, and a high percentage of literacy rates aged 15-55 years. While cluster 2 has the characteristics of the percentage of poor households receiving Raskin, the percentage of poor people, and the percentage of per capita expenditure on food with high poor status. Keywords: Clustering; East Java; K-Medoids; poverty
46
Ayuningtyas, Ika, and Muhammad Suryanata. "Pengelompokan Provinsi di Indonesia Menurut Indikator Pasar Tenaga Kerja." Seminar Nasional Official Statistics 2022, no. 1 (2022): 427–36. http://dx.doi.org/10.34123/semnasoffstat.v2022i1.1489.
Full textAbstract:
Daya saing tenaga kerja menjadi isu penting dalam agenda pembangunan global maupun nasional. Posisi daya saing tenaga kerja Indonesia masih berada di bawah negara lain. Capaian daya saing tenaga kerja di Indonesia dapat dilihat dari berbagai indikator pasar tenaga kerja. Tujuan penulisan ini yakni mengelompokan seluruh provinsi di Indonesia berdasarkan indikator pasar tenaga kerja tahun 2019 menggunakan metode Fuzzy C-Means (FCM) clustering. Seluruh provinsi berhasil dikelompokkan menjadi 3 cluster. Cluster pertama beranggotakan 2 provinsi dengan karakteristik daya saing cukup baik. Cluster kedua beranggotakan 4 provinsi dengan karakteristik memiliki produktivitas tenaga kerja dan rata-rata upah tenaga kerja yang tinggi, namum memiliki permasalahan dalam pencapaian indikator pasar tenaga kerja lainnya. Sedangkan cluster ketiga beranggotakan 28 provinsi dengan karakteristik capaian indikator yang moderat. Indeks ketepatan, seperti Dunn's Fuzziness Coefficients dan Fuzzy Silhouette Index menunjukkan nilai mendekati 1 yang menunjukkan bahwa cluster yang terbentuk telah memiliki struktur yang kuat. Kebijakan yang tepat sesuai kelompok sasaran diharapkan dapat mendorong peningkatan daya saing tenaga kerja Indonesia agar dapat berkontribusi dalam tercapainya tujuan pembangunan.
47
Ramadhan, Raka Rizki, and Usep Saprudin. "Penerapan Rapidminer menggunakan metode K-Means untuk Pengelompokkan Puskesmas pada Cakupan Imunisasi Dasar (Studi Kasus : Kota Bandung)." Jurnal Teknologi Informatika dan Komputer 8, no. 2 (2022): 176–87. http://dx.doi.org/10.37012/jtik.v8i2.1238.
Full textAbstract:
Program Imunisasi sejak tahun 1974 merupakan komponen penting bagi pelayanan Kesehatan bayi. Imunisasi merupakan salah satu cara dalam mengurangi angka kematian bayi dan anak karena imunisasi berfungsi untuk memperbaiki resistansi tubuh dan mengatasi penyakit. Penelitian ini bertujuan untuk pengelompokkan jumlah bayi yang dilayani oleh puskesmas dalam program imunisasi. Dalam penelitian ini metode yang digunakan ialah Algoritma K-Means . Data yang diambil dapat dikelompokkan ke dalam beberapa clustering, yaitu dari clustering tertinggi, clustering sedang dan clustering terendah. Data yang didapatkan bersumber dari open data di portal website bandung dengan portal website https://data.bandung.go.id . Data yang dipakai yaitu dari tahun 2019-2020 yang terdiri dari 80 UPT Puskesmas . Pada Penelitian ini atribut yang digunakan yaitu Jumlah total Bayi dan Jumlah total pelayanan Kesehatan bayi. Proses iterasi sebanyak 6 kali hingga memperoleh hasil pengelompokkan puskesmas yang memberikan pelayanan Imunisasi dasar. Hasil cluster yang didapatkan yaitu cluster tertinggi terdapat pada cluster 2 dengan 11 anggota, cluster sedang terdapat pada cluster 1 dengan 37 anggota , cluster terendah pada cluster 0 dengan 32 anggota. Dari 80 UPT Puskesmas yang terletak di Kota Bandung, dapat diketahui imunisasi tertinggi yaitu ada di Puskesmas Pasirkaliki dengan jumlah 2126 bayi dan terendah ada di Puskesmas Salam dengan Jumlah 37 Bayi.
48
Khairunnisa, Ayu, Alwis Nazir, Novrianto Novrianto, Yusra Yusra, Lola Oktavia, and Amany Akhyar. "Klastering Penyebaran Covid-19 Di Indonesia Tahun 2020 Menggunakan K-Medoids Clustering." Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) 5, no. 3 (2022): 391–98. http://dx.doi.org/10.32672/jnkti.v5i3.4409.
Full textAbstract:
Abstrak - Badan Nasional Penanggulangan Bencana (BNPB) telah menetapkan status darurat bencana terkait virus Covid-19. Penyebaran pada kasus Covid-19 yang sudah merata di seluruh provinsi di Indonesia sudah merupakan penyebaran yang cukup cepat dan berdampak negative pada seluruh bidang. Dari banyaknya data Covid-19 di Indonesia yang ada, diperlukan pengelompokan penyebaran kasus Covid-19 sehingga dapat dimanfaatkan oleh berbagai pihak, salah satunya yaitu Dinas Kesehatan mengenai pengelompokan penyebaran Covid-19 pada 34 provinsi di Indonesia agar dapat diketahui pola penyebarannya menggunakan data mining metode clustering dan algoritma yang digunakan yaitu K-Medoids. Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa penerapan data mining dengan algoritma K-Medoids dapat diterapkan.penelitian ini mendapatkan cluster sebanyak 3 pengelompokan dan mendapatkan hasil dengan yaitu cluster tinggi berjumlah 3 provinsi, cluster sedang berjumlah 9 provinsi dan cluster rendah berjumlah 22 provinsi. Pengujian cluster dari algoritma K-Medoids ini menggunakan Silhouette Coefficient dan menunjukan bahwa cluster optimal untuk pengelompokan penyebaran Covid-19 di Indonesia adalah cluster 3 dengan nilai 0.262463.Kata kunci: Covid-19, Data mining, Clustering, K-Medoids. Abstract - Badan Nasional Penanggunlangan Bencana (BNPB) has declared a disaster emergency status related to the Covid-19 virus. The spread of Covid-19 cases that have been evenly distributed in all provinces in Indonesia is already a fairly rapid spread and has a negative impact on all fields. From the large number of existing Covid-19 data in Indonesia, it is necessary to classify the spread of Covid-19 cases so that it can be utilized by various parties, one of which is the Health Office regarding the grouping of the spread of Covid-19 in 34 provinces in Indonesia so that the distribution pattern can be known using the data mining method. clustering and the algorithm used is K-Medoids. Based on the research that has been done, it can be concluded that the application of data mining with the K-Medoids algorithm can be applied. This study obtained 3 clusters of clusters and obtained results with 3 provinces in the high cluster, 9 provinces in the medium cluster and 22 in the low cluster. The cluster testing of the K-Medoids algorithm uses the Silhouette Coefficient and shows that the optimal cluster for clustering the spread of Covid-19 in Indonesia is cluster 3 with a value of 0.262463.Keywords: Covid-19, Data mining, Clustering, K-Medoids.
49
Belinda, Nadira Sri, Izzati Rahmi HG, and Hazmira Yozza. "PENERAPAN ANALISIS CLUSTER ENSEMBLE DENGAN METODE ROCK UNTUK MENGELOMPOKKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR KESEJAHTERAAN RAKYAT." Jurnal Matematika UNAND 8, no. 2 (2019): 108. http://dx.doi.org/10.25077/jmu.8.2.108-119.2019.
Full textAbstract:
Kesejahteraan rakyat pada suatu daerah dapat dilihat dari indikator-indikator yang mampu mengukur kesejahteraan rakyat. Kesejahteraan rakyat pada masing-masing daerah berbeda-beda. Oleh karena itu dapat dilakukan pengelompokan daerah di Indonesia untuk melihat kemiripan kondisi kesejahteraan rakyat di suatu daerah dengan daerah lain sehingga dapat membantu pemerintah dalam menyusun dan menentukan prioritas pembangunan. Data indikator kesejahteraan berupa data campuran. Metode pengelompokan yang dapat digunakan untuk menangani data campuran yaitu metode cluster ensemble dengan menggunakan algoritma CEBMDC (Cluster Ensemble Based Mixed Data Clustering) dengan melakukan pengelompokan untuk data numerik dan data kategorik secara terpisah, selanjutnya hasil pengelompokan digabungkan. Objek pengamatan pada penelitian ini adalah 34 provinsi di Indonesia. pengelompokan untuk data numerik menggunakan metode hirarki agglomerative menghasilkan pengelompokan terbaik dengan nilai CP terkecil diperoleh pada metode Ward dengan 2 cluster. pengelompokan data kategorik menggunakan metode ROCK (Robust Clustering Using Links) dengan nilai CP∗ terbesar diperoleh pada θ = 0.30 yang menghasilkan 4 cluster. Tahap penggabungan (ensemble) menggunakan metode ROCK menghasilkan pengelompokan terbaik pada θ = 0.30 dengan nilai CP∗ terbesar yang menghasilkan 4 cluster yang terdiri dari 1 provinsi pada cluster 1, 19 provinsi pada cluster 2, 10 provinsi pada cluster 3, dan 4 provinsi pada cluster 4.Kata Kunci: Cluster Ensemble, CEBMDC, ROCK, CP, CP∗
50
Kusuma, Prasetyo Arta, and Ada Udi Firmansyah. "Deteksi Penyebaran Penyakit Tuberkulosis dengan Algoritma K-Means Clustering Menggunakan Rapid Miner." Jurnal Teknologi Informatika dan Komputer 8, no. 2 (2022): 41–54. http://dx.doi.org/10.37012/jtik.v8i2.1173.
Full textAbstract:
Tuberkulosis (TBC) ialah penyakit yang diakibatkan oleh infeksi organisme Mikroskopis Mycobacterium tuberculosis yang menjangkiti bagian organ paru-paru. Ditahun 2016 ada 10,4 juta kasus TBC di planet ini, identik dengan 120 kasus untuk setiap 100.000 jiwa. Cina, India, Filipina, Pakistan, dan Indonesia adalah negara dengan kasus paling penting. Sebagian besar kejadian TBC yang dinilai pada tahun 2016 terjadi di Lokal Asia Tenggara (45%) dimana Indonesia nomor satu dan 25% terjadi di kawasan Afrika. Indonesia memiliki masalah yang besar dalam menangani penyakit TBC. Pada tahun 2017 terdapat 420.994 kasus TBC di Indonesia. Di Indonesia, penyakit TBC hampir menyebar di semua wilayah, salah satunya daerah Kota Bandung, Wilayah Jawa Barat. Ditahun 2020 terdapat 10758 kasus, dan yang paling terdampak adalah Wilayah Bojongloa Kaler sebanyak 879 kasus. Mengingat jumlah kasus TBC di Kota Bandung yang terus meningkat, dapat dibayangkan bahwa diperlukan upaya pengobatan yang kuat. Penelitian ini bertujuan untuk menentukan wilayah penyebaran penyakit TBC di Kota Bandung pada tahun 2020, penelitian kuantitatif ini menggunakan data yang diperoleh dari Website Portal Data Kota Bandung sebesar 10758 kasus penyakit TBC. Metode Algoritma yang digunakan ialah K-Means dan diolah menggunakan Software Rapidminer. Berdasarkan hasil uji dapat ditarik kesimpulan bahwa penyebaran anggota cluster terbanyak ada di cluster 0 dengan 10 anggota, lalu penyebaran yang berukuran sedang ada di cluster 4 dengan 8 anggota, untuk yang terkecil berada di cluster 3 dengan 1 anggota.